Интерпретируемая предсказательная модель зеленого камуфляжа (ESG) для публичных компаний на основе XGBoost и SHAP

Почему заявления компаний о «зелености» имеют значение

Когда компания хвастается своими экологическими или социальными достижениями, инвесторы и общественность должны задать себе вопрос: это реальный прогресс или просто умный маркетинг? Этот разрыв между имиджем и реальностью называется зеленым камуфляжем (greenwashing). По мере того как в инвестиции с пометкой «экологично и социально ответственно» поступает больше средств, способность раннего выявления greenwashing становится ключевой для защиты инвесторов, формирования политики и поощрения действительно ответственных компаний.

Заглядывая под капот зеленых обещаний

Исследование сосредоточено на компаниях, котирующихся в Китае, и рассматривает их экологическое, социальное и корпоративное поведение (ESG) в период 2009–2022 годов. Вместо того чтобы принимать заявления фирм о устойчивости как должное, авторы сопоставляют два независимых типа ESG-оценок. Одна, от Bloomberg, отражает, сколько ESG-информации компания раскрывает в публичных отчетах. Другая, от китайских и международных рейтинговых агентств, фиксирует, насколько хорошо компания фактически справляется с ESG-вопросами на практике. Стандартизируя и вычитая эти оценки, исследователи строят индекс greenwashing: компании, которые говорят гораздо больше, чем делают, помечаются как вероятные «зеленые камуфляжники».

Обучение модели распознавать шаблоны greenwashing

Чтобы уйти от простых средних и эмпирических правил, авторы используют современный метод машинного обучения XGBoost, который особенно хорош в нахождении закономерностей в сложных, шумных данных. В модель подаётся 16 различных характеристик каждой компании. Среди них — финансовое состояние (такие как прибыль, уровень задолженности, рост и размер), структура управления (например, концентрация собственности и число директоров в совете) и внешние давления (уровень местного регулирования, интенсивность освещения в СМИ и конкурентность рынка). Цель — проверить, может ли модель точно предсказать, какие компании будут заниматься greenwashing через один или два года.

Насколько хорошо мы можем предсказать, кто занимается greenwashing?

Лучшая модель опирается на характеристики компаний за предыдущий год. Она корректно выявляет примерно 87% компаний, занимающихся greenwashing, и отличает их от не занимающихся этим гораздо лучше, чем случайное угадывание. Финансовые показатели оказываются особенно информативны. Компании с очень высокой или очень низкой долговой нагрузкой, с чрезмерно лёгкой краткосрочной ликвидностью или с необычно высокой рыночной оценкой чаще помечаются как возможные «зеленые камуфляжники». Напротив, более крупные и быстрорастущие компании реже предсказываются как занимающиеся greenwashing — возможно, потому что их видимость и долгосрочный горизонт делают риск вводящего в заблуждение позиционирования выше. Также важны показатели корпоративного управления: когда крупнейший акционер владеет большей долей, greenwashing становится менее вероятным, тогда как более высокие доли у контролирующих лиц ассоциируются с большим риском greenwashing.

Открывая «чёрный ящик» искусственного интеллекта

Распространённая тревога по поводу машинного обучения в том, что оно может быть точным, но непрозрачным. Чтобы решить эту проблему, исследование использует технику SHAP, которая позволяет разложить каждое предсказание на вклад отдельных признаков. На практике это означает, что можно не только сказать, что данная компания, вероятно, занимается greenwashing, но и указать, например, что её необычно высокий коэффициент текущей ликвидности и низкая концентрация собственности были ключевыми причинами. Анализ подтверждает, что финансовые показатели, особенно коэффициент текущей ликвидности, агентские издержки и распределение собственности, имеют большее значение, чем численность управленческих кадров или размер совета директоров. Модель остаётся работоспособной, когда ESG-производительность измеряется альтернативными рейтинговыми провайдерами и даже при применении к компаниям, листингованным в Гонконге, что говорит о её устойчивости в разных системах рейтингов и средах раскрытия информации.

Что это означает для инвесторов и наблюдателей

В повседневных выражениях исследование показывает, что возможно построить надёжную систему раннего предупреждения о ESG greenwashing, используя информацию, уже широко доступную в финансовых базах данных. Объединив несколько ESG-рейтингов с подробными данными о компаниях и интерпретируемой моделью машинного обучения, регуляторы могли бы целенаправленнее выстраивать надзор, инвесторы — лучше избегать глянцевых, но пустых ESG-историй, а компании — столкнулись бы с более серьёзным давлением подтверждать свои заявления реальными действиями. Хотя работа сфокусирована на Китае, базовый рецепт — сравнивать то, что компании говорят, с тем, что они делают, и позволять прозрачным алгоритмам обнаруживать закономерности — предлагает шаблон по очищению ESG-заявлений на рынках по всему миру.

Цитирование: Jianfeng, Z., Tiantian, Q. Interpretable predictive model for listed companies ESG greenwashing based on XGBoost and SHAP. Sci Rep 16, 12899 (2026). https://doi.org/10.1038/s41598-026-42004-1

Ключевые слова: ESG greenwashing, устойчивое инвестирование, машинное обучение, корпоративное управление, финансовая отчетность